QDTrack：用于仅外观多目标跟踪的准稠密相似度学习
计算机视觉与模式识别
2023-09-29 v2
摘要
相似度学习已被认为是目标跟踪的关键步骤。然而，现有的多目标跟踪方法仅使用稀疏的 ground truth 匹配作为训练目标，而忽略了图像中大多数信息丰富的区域。在本文中，我们提出准稠密相似度学习（Quasi-Dense Similarity Learning），在一对图像上稠密采样数百个目标区域进行对比学习。我们将该相似度学习与多个现有目标检测器结合构建准稠密跟踪（QDTrack），其不需要位移回归或运动先验。我们发现，由此产生的判别性特征空间在推理时只需简单的近邻搜索即可完成目标关联。此外，我们表明我们的相似度学习方案不限于视频数据，即使从静态输入也能学习有效的实例相似度，从而无需在视频上训练或使用跟踪监督即可实现有竞争力的跟踪性能。我们在多种流行的 MOT 基准上进行了大量实验。我们发现，尽管简单，QDTrack 在所有基准上可与最先进跟踪方法的性能相媲美，并在大规模 BDD100K MOT 基准上确立了新的最先进水平，同时给检测器带来可忽略的计算开销。
引用
@article{arxiv.2210.06984,
title = {QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple Object Tracking},
author = {Tobias Fischer and Thomas E. Huang and Jiangmiao Pang and Linlu Qiu and Haofeng Chen and Trevor Darrell and Fisher Yu},
journal= {arXiv preprint arXiv:2210.06984},
year = {2023}
}